Distribuciones de Probabilidad Discreta

DISTRIBUCIONES DE PROBABILIDAD
Variables Aleatorias Discretas
Jorge Alberto Barón Cárdenas
Universidad de Córdobas
Monterı́a - Córdoba
9 de diciembre de 2021
Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 1 / 54

Tabla de Contenido
1 Distribuciones de Probabilidad
Distribuciones de Probabilidad de V.A Discretas
Distribución Binomial
Distribución Multinomial
Distribución Geométrica
Distribución Binomial Negativa
Distribución Hipergeométrica
Distribución de Poisson
Referencias

Distribuciones de Probabilidad Distribuciones de Probabilidad de V.A Discretas
Ensayo Bernoulli
Un ensayo Bernoulli es un experimento aleatorio que tiene solo dos

resultados posibles, denominados “éxito” o “fracaso”. La probabi-
lidad de éxito se denota por p.

Ejemplos de ensayos Bernoulli:

1 Lanzar una moneda y registrar si sale cara (éxito) o sello
(fracaso)
2 Examinar una rata de laboratorio después de someterla a
cierta dieta y registrar si desarrolló cáncer (éxito) o no
(fracaso).
3 Un cliente decide comprar (éxito) o no (fracaso) un producto
después de la intervención de un vendedor.
4 Un insecto se somete a cierta concentración de un veneno
durante 30 minutos y al final se registra si sobrevive o no.
5 Se elige una persona al azar del censo electoral y se le
pregunta si votará (éxito) por cierto candidato o no (fracaso).

Experimento Binomial
Un experimento que consiste de:
n ensayos tipo Bernoulli.
Independientes.
Con probabilidad de éxito p constante.
Recibe el nombre de experimento binomial.
Ejemplos:
1 Lanzar tres monedas y contar el número de sellos (éxitos).
2 Examinar 20 ratas de laboratorio después de someterlas a
cierta dieta y registrar cuántas desarrollaron cáncer (éxitos).
3 Después de la intervención de un vendedor a 10 clientes,
registrar cuántos deciden comprar (éxitos) un producto.
La variable aleatoria X definida como el número de éxitos obtenidos
en n ensayos tipo Bernoulli, tiene una distribución binomial de
parámetros n y p, con función de probabilidad dada por:

n x
P (X = x) = p (1 − p)n−x , x = 0, 1, 2, ..., n
x
Donde:
n n!
=
x (n − x)!x!
Valor esperado y Varianza de una binomial
Si X tiene distribución binomial de parámetros p y n entonces:
E (X) = np y V ar (X) = np (1 − p)

Ejemplo 1:
Supongamos que la probabilidad de tener una unidad defectuosa en
una lı́nea de ensamblaje es de 0.05. Si un conjunto de 10 unidades
terminadas constituyen ensayos independientes:
1 ¿Cuál es la probabilidad de que dos se encuentren
defectuosas?
2 ¿De que a lo sumo dos se encuentren defectuosas?
3 ¿Cual es la probabilidad de que por lo menos una se
encuentre defectuosa?
4 Calcule el valor esperado y la varianza

Solución:
Definamos:
X: Número de unidades defectuosas de las 10 terminadas.
Luego X ∼ Bin (n = 10, p = 0.05)
Función de probabilidad

10
P (X = x) = 0.05x (1 − 0.05)10−x
x
Para x = 0, 1, 2, ..., 10

¿Cuál es la probabilidad de que dos se encuentren defec-
tuosas?

10
0.052 (1 − 0.05)10−2 = (45) 0.052 0.958

P (X = 2) =
2
= 0.0746
Código R:
#Probabilidades en un punto exacto: dbinom(x,n,p)
dbinom(2,10,0.05)
[1] 0.07463483

¿Cuál es la probabilidad de que a lo sumo dos se encuen-

tren defectuosas?
P (X ≤ 2) = P (X = 0) + P (X = 1) + P (X = 2)

10 10−0 10
= 0
0.05 (1 − 0.05) + 0.051 (1 − 0.05)10−1
0 1

10
+ 0.052 (1 − 0.05)10−2
2
= 0.5987369 + 0.3151247 + 0.0746348
= 0.9885

Código R:
P (X ≤ 2) =?
#Probabilidades en un intervalo:
#Opción 1:
sum(dbinom(0:2,10,0.05))
[1] 0.9884964
#Opción 2: pbinom(x,n,p)
pbinom(2,10,0.05)
[1] 0.9884964
¿Cual es la probabilidad de que por lo menos una se en-
cuentre defectuosa?
P (X ≥ 1) = 1 − P (X < 1)
= 1 − P (X = 0)

10
=1− 0.050 (1 − 0.05)10−0
0
= 1 − 0.5987369
= 0.4013
Código R:
sum(dbinom(1:10,10,0.05))
[1] 0.4012631
Valor esperado y varianza
E (X) = np = (10) (0.05) = 0.5
V ar (X) = np (1 − p) = (10) (0.05) (1 − 0.05) = 0.475

Ejemplo 2:
La experiencia ha demostrado que el 30 % de todas las personas
afectadas por cierta enfermedad, se recupera. Una compañı́a far-
macéutica desarrolló una vacuna. Se seleccionaron al azar 12 per-
sonas con la enfermedad en cuestión y se les administró la vacuna.
Supóngase que la vacuna es completamente ineficaz.
1 ¿Cuál es la probabilidad de que ninguna de las 12 personas
afectadas se recuperen?
2 ¿Cuál es la probabilidad de que todas las personas
seleccionadas se recuperen?
3 ¿Cuál es la probabilidad de que al menos 10 de las 12
personas enfermas se recuperen?
4 Calcular el valor esperado y la varianza.
Solución:
Definamos: X: Número de personas que se recuperan de las 12

seleccionadas.
Luego:
X ∼ Bin (n = 12, p = 0.3)
Función de probabilidad:

12
P (X = x) = 0.3x (1 − 0.3)12−x
x
Para x = 0, 1, 2, ..., 12

¿Cuál es la probabilidad de que ninguna de las 12 personas

infectadas se recuperen?

12
0.30 (1 − 0.3)12−0 = (1) 0.30 0.712 = 0.0138

P (X = 0) =
0
Código R:
dbinom(0,12,0.3)
[1] 0.01384129

¿Cuál es la probabilidad de que todas las personas selec-

cionadas se recuperen?

12
0.312 (1 − 0.3)12−12 = (1) 0.312 0.70

P (X = 12) =
12
= 5.314410 × 10−7
Código R:
dbinom(12,12,0.3)
[1] 5.31441e-07

¿Cuál es la probabilidad de que al menos 10 de las 12
personas enfermas se recuperen?
P (X ≥ 10) = P (X = 10) + P (X = 11) + P (X = 12)

= 1.909645 × 10−4 + 1.488035 × 10−5 + 5.314410 × 10−7
= 0.0002063763
Código R:
dbinom(10:12,12,0.3)
[1] 1.909645e-04 1.488035e-05 5.314410e-07
sum(dbinom(10:12,12,0.3))
[1] 0.0002063763
E (X) = np = (12) (0.3) = 3.6
V ar (X) = np (1 − p) = (12) (0.3) (1 − 0.3) = 2.52

Definición: Un experimento se dice multinomial, si cada prueba

tiene más de dos resultados posibles. Por ejemplo:
La clasificación de un producto fabricado como ligero, pesado
o aceptable.
El registro de los accidentes de tránsito en una ciudad, de
acuerdo con el dı́a de la semana.

Si un ensayo dado puede producir los k resultados E1 , E2 , ..., Ek

con probabilidades p1 , p2 , . . . , pk , entonces la distribución de pro-
babilidad de las variables aleatorias X1 , X2 , ..., Xk , que representa
el número de ocurrencias para E1 , E2 , ..., Ek en n ensayos indepen-
dientes, es:

n
f (x1 , x2 , . . . , xk ) = px1 1 px2 2 . . . pxkk
x1 , x2 , . . . , xk
donde:
k k
X X n n!
xi = n; pi = 1 y =
i=1 i=1
x1 , x2 , . . . , xk x1 !x2 ! . . . xk !

Ejemplo
La complejidad de las llegadas y las salidas de los aviones en un
aeropuerto es tal que a menudo se utiliza la simulación por compu-
tadora para modelar las condiciones “ideales”. Para un aeropuerto
especı́fico que tiene tres pistas se sabe que, en el escenario ideal, las
probabilidades de que las pistas individuales sean utilizadas por un
avión comercial que llega aleatoriamente son las siguientes:
Pista 1: p1 = 2/9
Pista 2: p2 = 1/6
Pista 3: p3 = 11/18
¿Cuál es la probabilidad de que 6 aviones que llegan al azar se
distribuyan de la siguiente manera?
Pista 1: 2 aviones
Pista 2: 1 avión
Pista 3: 3 aviones
Ejemplo
Solución:
Como el aeropuerto tiene tres pistas de aterrizaje, implica q se
tienen tres posible resultados para el experimento planteado, cada
uno con las probabilidades asignadas, luego la probabilidad de que
6 aviones que llegan al azar se distribuyan de la manera establecida,
se puede calcular asumiendo una distribución multinomial, ası́: n =
6, x1 = 2, x2 = 1 y x3 = 3, luego
2 1 3

6 2 1 11
P (x1 = 2, x2 = 1, x3 = 3) =
2, 1, 3 9 6 18
2 1 3
6! 2 1 11
= = 0.1127
2!1!3! 9 6 18

Ejemplo
Código R:
dmultinom(c(2,1,3),prob=c(2/9,1/6,11/18))
[1] 0.112703

Definición:
Suponga que se tiene:
Una serie de ensayos Bernoulli independientes.
Con probabilidad de éxito constante.
Si X: es el número de ensayos necesarios hasta obtener el
primer éxito.
Entonces X tiene una distribución geométrica con parámetro p.
P (X = x) = p (1 − p)x−1
Para x = 1, 2, ...
Teorema
Si X es una variable aleatoria discreta con función de probabilidad

geométrica de parámetro p, entonces:
1
E (X) =
p
1−p
V ar (X) =
p2

Cada 10 minutos se verifica el volumen de llenado de las latas que

salen de una máquina llenadora automática. La evaluación continúa
hasta que se encuentre una lata que no cumpla con las especifica-
ciones. Si la probabilidad de que una lata no cumpla las especifica-
ciones es del 5 % (proporción de latas que no cumplen)
a ¿Cuál es la probabilidad de que se tengan que probar
exactamente 100 latas para encontrar la primera que no
cumple?
b ¿Cual es la probabilidad de que se tenga que probar más de 3
latas para encontrar la primera que no cumple las
especificaciones?

Solución
Definamos:
X: Número de pruebas que es necesario realizar hasta encontrar la

primera que no cumple las especificaciones.
Luego:
X ∼ Geo (p = 0.05)
P (X = x) = 0.05 (1 − 0.05)x−1
Para x = 1, 2, ...

¿Cuál es la probabilidad de que se tengan que probar

exactamente 100 latas para encontrar la primera que no
cumple?
P (X = 100) = 0.05 (1 − 0.05)100−1 = 0.0003116

Código R:
# probabilidad en un punto exacto: dgeom(x-1,p)
dgeom(99,0.05)
[1] 0.0003116068

¿Cual es la probabilidad de que se tenga que probar más
de 3 latas para encontrar la primera que no cumple las
especificaciones?
P (X > 3) = 1 − P (X ≤ 3)
= 1 − [P (X = 1) + P (X = 2) + P (X = 3)]
= 1 − [0.05 + 0.0475 + 0.045125]
= 1 − 0.142625
= 0.857375
Código R:
1-pgeom(2,0.05)
[1] 0.857375

1 1
E (X) = = = 20
p 0.05
1−p 1 − 0.05
V ar (X) = 2
= = 380
p 0.052
Observación:
Se espera que deban probarse 20 latas para encontrar la primera
que no cumple las especificaciones.

Ejemplo 2:
Un matrimonio quiere tener una niña, y por ello decide tener hijos
hasta el nacimiento de una niña. Calcular el número esperado de
hijos (entre varones y hembras) que tendrá el matrimonio. Calcular
la probabilidad de que la pareja acabe teniendo tres hijos o más.

Solución
Definamos:
X: Número de hijos que tiene el matrimonio hasta tener una niña.
Luego:
X ∼ Geo (p = 0.5)
P (X = x) = 0.5 (1 − 0.5)x−1
Para x = 1, 2, ...

Número esperado de hijos:
1 1
E (X) = = =2
p 0.5
La probabilidad de que la pareja acabe teniendo tres hijos
o más.
P (X ≥ 3) = 1 − P (X < 3)
= 1 − P (X ≤ 2)
= 1 − [P (X = 1) + P (X = 2)]
= 1 − [0.5 + 0.25]
= 1 − 0.75
= 0.25
Código R:
1-pgeom(1,0.5)
[1] 0.25


Definición:
Suponga que se tiene:

Una serie de ensayos Bernoulli independientes.
Con probabilidad de éxito constante.
X es el número de ensayos realizados hasta que se obtienen r
éxitos
Entonces X tiene una distribución binomial negativa con paráme-
tros r y p, (r = 1, 2, ...)

x−1 r
P (X = x) = p (1 − p)x−r
r−1
Para x = r, r + 1, r + 2, ...
Teorema
Si X es una variable aleatoria con distribución binomial negativa
de parámetros r y p entonces:
r
E (X) =
p
r (1 − p)
V ar (X) =
p2

Ejemplo 1:
En un departamento de control de calidad se inspeccionan las uni-

dades terminadas que provienen de una linea de ensamble. Se piensa
que la proporción de unidades defectuosas es del 5 %.
1 ¿Cuál es la probabilidad de que sea necesario inspeccionar 20
unidades hasta encontrar 2 defectuosas?
2 ¿Cuál es el valor esperado y la varianza del número de
inspecciones que es necesario hacer hasta encontrar dos
defectuosas?

Solución
Sea X el número de unidades inspeccionadas hasta encontrar dos

defectuosas.
Luego:
X ∼ BN (r = 2, p = 0.05)

x−1
P (X = x) = 0.052 (1 − 0.05)x−2
1
Para x = 2, 3, 4, ...

¿Cuál es la probabilidad de que sea necesario inspeccionar

20 unidades hasta encontrar 2 defectuosas?

20 − 1
P (X = 20) = 0.052 (1 − 0.05)20−2 = 0.0189
1
Código R:
# Probabilidad en un punto exacto: dnbinom(x-r,r,p)
dnbinom(18,size=2,prob=0.05)
[1] 0.01886768

¿Cuál es el valor esperado y la varianza del número de inspecciones

que es necesario hacer hasta encontrar dos defectuosas?
r 2
E (X) = = = 40
p 0.05
(2) (1 − 0.05)
V ar (X) = = 760
0.052

N : tamaño poblacional.
n: tamaño muestral.
k: número de éxitos en la población.
X: número de éxitos en la muestra.
La distribución de probabilidad de la variable aleatoria hiper-
geométrica X, el número de éxitos en una muestra aleatoria de
tamaño n que se selecciona de N elementos de una población, en
los que k se denominan éxitos y N − k fracasos , es:
k N −k

x n−x
f (x) = N
; max {0, n − (N − k)} ≤ x ≤ min {n, k}
n
Teorema: Si X tiene distribución hipergeométrica de parámetros

N, n, K, entonces:
n.k
E (X) = N
N −n
.n. Nk . k

V ar (X) = N −1
1− N

Ejemplo
Lotes con 40 componentes cada uno que contengan 3 o más defec-

tuosos se consideran inaceptables. El procedimiento para obtener
muestras del lote consiste en seleccionar 5 componentes al azar y
rechazar el lote si se encuentra un componente defectuoso. ¿Cuál
es la probabilidad de, que en la muestra, se encuentre exactamente
un componente defectuoso, si en todo el lote hay 3 defectuosos?

Ejemplo
Si utilizamos la distribución hipergeométrica con n = 5, N = 40,

k = 3 y x = 1, encontramos que la probabilidad de obtener un
componente defectuoso es:
3 40−3

1 5−1 (3)(66045)
P (X = 1) = 40
= 658008
= 0.3011
5
Código R:
dhyper(x,n,N-n,k)
dhyper(1,5,35,3)
[1] 0.3011134

Modelo probabilı́stico adecuado para evaluar la probabilidad de

ocurrencia de un evento en intervalos de tiempo, longitud, superficie
o volumen. Por ejemplo:
Número de accidentes por semana en un tramo de carretera.
Número de baches en cada 100 kilómetros lineales de
carretera.
Número de solicitudes de atención de urgencia en una clı́nica
en un dı́a.
La variable aleatoria de interés X, denota el número de veces que un
evento ocurre por unidad de tiempo, longitud, superficie, volumen,
etc.

Si X es la variable aleatoria que cuenta el número de veces que un
evento ocurre en un intervalo (o unidad de tiempo, longitud, super-
ficie, volumen, etc), y si se tiene que los eventos son independientes
y el número promedio por intervalo es λ, se dice que X tiene una
distribución de Poisson y la función de probabilidad de X es:
e−λ λx
P (X = x) =
x!
Para x = 0, 1, 2, ...
Teorema
Si X es una variable aleatoria con distribución Poisson de paráme-
tro λ entonces:
E (X) = λ y V ar (X) = λ
Ejemplo:
El número de baches en una sección de carretera interdepartamen-

tal puede modelarse con una distribución de Poisson con media de
dos baches por milla.
1 ¿Cuál es la probabilidad de que halla que reparar 3 baches en
un tramo de una milla?
2 ¿Cuál es la probabilidad de que no halla baches que reparar
en un tramo de cinco millas?
3 ¿Cual es la probabilidad que sea necesario reparar al menos
un bache en un tramo de media milla?

Solución:
Sea X el número de baches que hay que reparar en un tramo de
una milla.
Luego:
X ∼ P oisson (λ = 2)
e−2 2x
P (X = x) =
x!
Para x = 0, 1, 2, ...

¿Cuál es la probabilidad de que halla que reparar 3 baches

en un tramo de una milla?
e−2 23
P (X = 3) = 3!
= 0.180447
Código R:
dpois(x,lamda)
dpois(3,2)
[1] 0.180447

¿Cuál es la probabilidad de que no halla baches que

reparar en un tramo de cinco millas?
Se tiene que λ = 2 para un intervalo de una milla, implica que para

un intervalo de 5 millas λ = 10. Ası́
e−10 100
P (X = 0) = = 0.0000454
0!
Código R:
dpois(0,10)
[1] 4.539993e-05

¿Cual es la probabilidad que sea necesario reparar al
menos un bache en un tramo de media milla?
Se tiene que λ = 2 para un intervalo de una milla, implica que para

un intervalo de media millas λ = 1
P (X ≥ 1) = 1 − P (X < 1)
= 1 − P (X = 0)
e−1 10
=1−
0!
= 1 − 0.3678794
= 0.6321206
Código R:
1-dpois(0,1)
[1] 0.6321206

Bibliografı́a
Referencias I
Montgómery, D. (2003). Probabilidad y Estadı́stica aplicadas a la

Ingenierı́a. EDITORIAL LIMUSA.
RONALD E. WALPOLE, R. (Novena edición, 2012). Probabilidad y
estadı́stica para ingenierı́a y ciencias. PEARSON EDUCACIÓN,
México.
Webster, A. (2000). Estadı́stica aplicada a los negocios y la eco-
nomı́a. Bradley University.

Distribuciones de Probabilidad Discreta

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Distribuciones de Probabilidad Discreta

Cargado por

Copyright:

Formatos disponibles

DISTRIBUCIONES DE PROBABILIDAD

Variables Aleatorias Discretas

Jorge Alberto Barón Cárdenas

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 1 / 54

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 2 / 54

Un ensayo Bernoulli es un experimento aleatorio que tiene solo dos

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 3 / 54

Ejemplos de ensayos Bernoulli:

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 4 / 54

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 6 / 54

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 7 / 54

Luego X ∼ Bin (n = 10, p = 0.05)

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 8 / 54

#Probabilidades en un punto exacto: dbinom(x,n,p)

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 9 / 54

¿Cuál es la probabilidad de que a lo sumo dos se encuen-

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 10 / 54

Valor esperado y varianza

E (X) = np = (10) (0.05) = 0.5

V ar (X) = np (1 − p) = (10) (0.05) (1 − 0.05) = 0.475

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 13 / 54

Definamos: X: Número de personas que se recuperan de las 12

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 15 / 54

¿Cuál es la probabilidad de que ninguna de las 12 personas

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 16 / 54

¿Cuál es la probabilidad de que todas las personas selec-

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 17 / 54

P (X ≥ 10) = P (X = 10) + P (X = 11) + P (X = 12)

Valor esperado y varianza

E (X) = np = (12) (0.3) = 3.6

V ar (X) = np (1 − p) = (12) (0.3) (1 − 0.3) = 2.52

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 19 / 54

Definición: Un experimento se dice multinomial, si cada prueba

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 20 / 54

Si un ensayo dado puede producir los k resultados E1 , E2 , ..., Ek

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 21 / 54

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 23 / 54

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 24 / 54

Si X es una variable aleatoria discreta con función de probabilidad

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 26 / 54

Cada 10 minutos se verifica el volumen de llenado de las latas que

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 27 / 54

X: Número de pruebas que es necesario realizar hasta encontrar la

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 28 / 54

¿Cuál es la probabilidad de que se tengan que probar

P (X = 100) = 0.05 (1 − 0.05)100−1 = 0.0003116

# probabilidad en un punto exacto: dgeom(x-1,p)

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 29 / 54

Valor esperado y varianza

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 31 / 54

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 32 / 54

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 33 / 54

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 35 / 54

Distribución Binomial Negativa

Suponga que se tiene:

Distribución Binomial Negativa

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 37 / 54

Distribución Binomial Negativa

En un departamento de control de calidad se inspeccionan las uni-

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 38 / 54

Distribución Binomial Negativa

Sea X el número de unidades inspeccionadas hasta encontrar dos

Jorge A. Barón (Unicórdoba) DISTRIBUCIONES DE PROBABILIDAD 39 / 54

Distribución Binomial Negativa